belangrijke release van machine learning-platform , dat kant-en-klare implementaties biedt van verschillende deep machine learning-algoritmen, een eenvoudige programmeerinterface voor het bouwen van modellen in Python, en een low-level interface voor de C++-taal waarmee u de constructie en uitvoering van computationele grafieken kunt controleren. De systeemcode is geschreven in C++ en Python en onder de Apache-licentie.
Het platform is oorspronkelijk ontwikkeld door het Google Brain-team en wordt gebruikt in Google-services voor spraakherkenning, het identificeren van gezichten op foto's, het bepalen van de gelijkenis van afbeeldingen, het filteren van spam in Gmail, nieuws in Google Nieuws en het organiseren van vertalingen, rekening houdend met de betekenis. Gedistribueerde machine learning-systemen kunnen op standaardhardware worden gemaakt, dankzij de ingebouwde ondersteuning van TensorFlow voor het distribueren van berekeningen over meerdere CPU's of GPU's.
TensorFlow biedt een bibliotheek met kant-en-klare numerieke berekeningsalgoritmen, geïmplementeerd via datastroomgrafieken. Knooppunten in dergelijke grafieken implementeren wiskundige bewerkingen of invoer-/uitvoerpunten, terwijl de randen van de grafiek multidimensionale gegevensarrays (tensoren) vertegenwoordigen die tussen knooppunten stromen.
Knooppunten kunnen aan computerapparatuur worden toegewezen en asynchroon worden uitgevoerd, waarbij tegelijkertijd alle voor hen geschikte stellingen in één keer worden verwerkt, wat het mogelijk maakt om de gelijktijdige werking van knooppunten in een neuraal netwerk te organiseren naar analogie met de gelijktijdige activering van neuronen in de hersenen.
Bij het voorbereiden van de nieuwe versie lag de nadruk vooral op vereenvoudiging en gebruiksgemak. :
- Er is een nieuwe API op hoog niveau voorgesteld voor het bouwen en trainen van modellen , dat verschillende interface-opties biedt voor het bouwen van modellen (sequentieel, functioneel, subclassing) met de mogelijkheid om (zonder pre-compilatie) en met een eenvoudig foutopsporingsmechanisme;
- API toegevoegd voor organisatie modellen met minimale wijzigingen in de bestaande code. Naast de mogelijkheid om berekeningen over is experimentele ondersteuning beschikbaar voor het verdelen van het leerproces in verschillende onafhankelijke processors en de mogelijkheid om cloud te gebruiken (Tensor-verwerkingseenheid);
- In plaats van een declaratief model voor het construeren van een grafiek met uitvoering via tf.Session, is het mogelijk om gewone functies in Python te schrijven, die, met behulp van een aanroep naar tf.function, kunnen worden omgezet in grafieken en vervolgens op afstand kunnen worden uitgevoerd, geserialiseerd of geoptimaliseerd voor betere prestaties;
- Vertaler toegevoegd , dat een stroom Python-opdrachten omzet in TensorFlow-expressies, waardoor Python-code kan worden gebruikt in de functies tf.function-decorated, tf.data, tf.distribute en tf.keras;
- SavedModel verenigt het modeluitwisselingsformaat en voegt ondersteuning toe voor het opslaan en herstellen van modelstatussen. Modellen die voor TensorFlow zijn samengesteld, kunnen nu worden gebruikt (op mobiele apparaten), (in browser of Node.js), и ;
- De API's tf.train.Optimizers en tf.keras.Optimizers zijn verenigd; in plaats van compute_gradients is een nieuwe klasse voorgesteld voor het berekenen van gradiënten ;
- Aanzienlijk betere prestaties bij gebruik van GPU.
De snelheid van modeltraining op systemen met NVIDIA Volta en Turing GPU's is tot drie keer toegenomen; - Grote API-opschoning, veel oproepen hernoemd of verwijderd, ondersteuning voor globale variabelen in helpermethoden gestopt. In plaats van tf.app, tf.flags, tf.logging wordt een nieuwe absl-py API voorgesteld. Om de oude API te kunnen blijven gebruiken, is de compat.v1-module voorbereid.
Bron: opennet.ru